利用不一致知识库检索因果顺序类别

传统的因果发现方法通常依赖于强且不可检验的假设，这使得它们在现实应用中不可靠。在此背景下，大语言模型（LLMs）已成为从基于文本的元数据中提取因果知识、有效整合领域专业知识的一种有前景的替代方案。然而，LLMs容易产生幻觉，因此需要能够应对这些局限性的策略。一种有效的方法是使用一致性度量作为可靠性的代理。此外，LLMs不能清晰区分直接与间接因果关系，这使得发现通常稀疏的因果有向无环图（DAGs）变得复杂。这种模糊性在各个领域非正式句子的表述方式中显而易见。因此，关注因果顺序为LLMs提供了一个更实用、更直接的任务。我们提出了一种新方法，用于推导因果顺序的抽象，该方法最大化从LLM获得的一致性分数。我们的方法首先计算变量之间的成对一致性分数，然后构建一个半完全部分有向图，将这些分数整合成一个抽象。利用该结构，我们识别出最大定向的部分有向无环图和一组最优的无环锦标赛，它们在所有配置上最大化一致性。我们进一步展示了该抽象和因果顺序类别如何用于估计因果效应。我们在从流行病学和公共卫生科学文献中提取的广泛因果DAGs上评估了我们的方法。结果表明，所提出的方法能够有效恢复正确的因果顺序，提供了一个可靠且实用的LLM辅助因果框架。